Resumo Técnico: AnchorRoute

Declaração do Problema

A autoria de movimento humano é inerentemente esparsa; os usuários frequentemente fornecem apenas alguns waypoints da raiz, amostras de trajetória planar ou alvos de pontos corporais, juntamente com um prompt de texto. Essas entradas expressam intenção, mas não definem um movimento completo, deixando ao sistema a tarefa de inferir o timing, a coordenação e os detalhes de corpo inteiro. Os métodos existentes de controle esparso frequentemente lutam para equilibrar a adesão estrita a essas âncoras esparsas com a preservação da geração de movimento de alta qualidade e alinhada ao texto. O desafio central é criar um framework onde âncoras esparsas possam estruturar tanto a condicionamento de um prior generativo quanto a correção subsequente do movimento gerado, sem degradar a qualidade do movimento subjacente.

Metodologia

O AnchorRoute propõe um framework de duas etapas que utiliza uma "andaime de âncora" compartilhada, derivada de entradas esparsas, para guiar tanto a geração quanto o refinamento.

1. O Andaime de Âncora

O framework trata as âncoras esparsas (tempo, subespaço controlado e valor alvo) como um andaime estrutural. Este andaime é instanciado de duas maneiras:

• Geração: Como memória de condição alinhada a tokens injetada em um gerador congelado.
• Refinamento: Como um andaime residual definindo intervalos temporais e níveis de ativação para correção.

2. Etapa I: Geração Controlada

O AnchorRoute baseia-se em um prior texto-para-movimento Transition Masked Diffusion (TMD) congelado.

• Condicionamento de Duplo Contexto: O sistema separa a semântica do texto do controle espacial. O texto fornece o contexto global da ação, enquanto as âncoras fornecem controle espacial esparso.
• AnchorKV: As âncoras esparsas são convertidas em características ao nível de quadro (valores, máscaras, priores de interpolação e diferenças de primeira ordem). Estas são codificadas em memória alinhada a tokens ($H_s$) e injetadas no transformer TMD congelado via AnchorKV. Este mecanismo anexa chaves e valores condicionados por âncora às camadas de atenção, permitindo que os tokens de movimento acessem restrições espaciais em cada camada sem re-treinar a base.
• Treinamento: Apenas o caminho de condição de âncora (codificador do andaime, projeções AnchorKV e camadas de duplo contexto) é treinado. A base TMD permanece congelada, preservando as capacidades de geração texto-para-movimento pré-treinadas.

3. Etapa II: Refinamento RouteSolver

Após o movimento inicial ($\hat{x}$) ser gerado, o RouteSolver realiza refinamento no momento da inferência para melhorar a adesão às âncoras.

• Andaime Residual: O movimento gerado é avaliado em relação às âncoras originais para calcular resíduos. Esses resíduos definem quais intervalos temporais requerem correção e a intensidade dessa correção.
• Otimização de Soft-Token: O RouteSolver otimiza uma variável contínua de soft-token ($u$) no espaço de incorporação VQ. O objetivo minimiza o erro da âncora, a suavidade e uma penalidade de região de confiança para permanecer próximo à geração inicial.
• Projeção Roteada por Intervalo: Atualizações brutas do otimizador são projetadas sobre uma base de intervalo afim por partes definida pelos timestamps das âncoras. Crucialmente, a projeção é ponderada por atividades residuais: intervalos com maiores erros de âncora recebem mais capacidade de correção, enquanto aqueles com pequenos erros são suavemente suprimidos. Isso garante que as correções sejam roteadas precisamente onde necessário, mantendo a coerência.

Contribuições Principais

1. Andaime de Âncora: Uma estrutura de controle unificada que define tanto a memória de condição no momento da geração quanto os espaços de atualização de intervalo no momento do refinamento, utilizando as mesmas entradas de âncora esparsas.
2. Framework AnchorRoute: Um sistema de síntese de âncora esparso que preserva um prior TMD congelado enquanto aprende um caminho de condicionamento leve baseado em AnchorKV com separação de duplo contexto.
3. RouteSolver: Um módulo de refinamento pós-geração que roteia atualizações de soft-token através de intervalos afins por partes definidos por âncoras, guiado por atividades residuais para equilibrar a qualidade do movimento e a adesão à âncora.

Resultados Experimentais

Avaliado no conjunto de dados HumanML3D, o AnchorRoute demonstra desempenho superior em tarefas de controle esparso:

• Comparação de Benchmark: Sob o protocolo de seis pontos SFControl, o AnchorRoute com RouteSolver (RS200) alcança um Erro de Controle de 0,019, superando significativamente o estado da arte anterior SFControl (0,036). Também melhora o FID (0,115 vs. 0,224) e a Precisão R Top-3 (0,792 vs. 0,673).
• Famílias de Controle: O framework suporta controle Root-3D, Planar-root e Body-point dentro da mesma formulação. Em todas as famílias, o aumento dos passos de refinamento (de RS100 a RS500) reduz progressivamente o Erro de Controle enquanto mantém um trade-off controlável com a qualidade do movimento (FID e Precisão R).
• Estudos de Ablação:
  • Geração: A abordagem AnchorKV (1,2 milhão de parâmetros treináveis) supera significativamente as bases Cross-Attention e ControlNet tanto no Erro de Controle quanto no alinhamento semântico.
  • Refinamento: O uso pelo RouteSolver de roteamento de atividade residual e bases afins por partes produz melhores trade-offs qualidade-controle em comparação com refinamento simples de soft-token ou atualizações de intervalo uniformes.
• Eficiência: A configuração padrão RS200 adiciona aproximadamente 0,093 segundos por amostra, oferecendo um equilíbrio prático entre adesão e custo de inferência.

Significado e Alegações

O artigo afirma que o AnchorRoute desacopla com sucesso a preservação da qualidade texto-movimento da imposição de restrições espaciais esparsas. Ao utilizar um prior congelado para geração e um refinamento aprendido, roteado por resíduos, para correção, o sistema alcança uma relação complementar: o gerador mantém semânticas de movimento de alta fidelidade, enquanto o RouteSolver fornece um caminho controlável para uma adesão mais forte à âncora. O trabalho estabelece que âncoras esparsas podem estruturar efetivamente tanto as fases de condicionamento quanto de correção da síntese de movimento, oferecendo uma solução unificada para diversas famílias de controle (trajetórias de raiz, caminhos planares e pontos corporais) sem comprometer o prior generativo subjacente.

Limitações: Os autores observam que o RouteSolver atualmente depende principalmente de resíduos posicionais. Trabalhos futuros poderiam estender o andaime residual para incluir pistas tangenciais ou de orientação para refinamento consciente da direção.